Pytorch项目（结节分割），肺癌检测项目之六

原始数据---》数据处理---》切割图像---》候选分组---》候选分类---》恶性判断

结节分割的流程

1.使用一个开源的分割模型U-Net。我们不再自己编写一个模型，而是用开源的，也是工作中处理业务问题的主要方式

2.调整模型适配我们的数据。因为U-Net原本是为二维图像准备的，而我们的数据是一个三维体数据，所以这里要进行一些修改，主要有下面三点：（1）更新模型。这里主要指的是把U-Net模型融合到我们的代码里，并能够让它跑（2）修改数据集。为我们的分割模型构建一套可以使用的数据集，这个跟我们之前的分类模型使用的数据集有些区别。因为我们分类模型给出的结果是简单的分类结果，而分割模型需要输出被分割的一块图像（3）修改训练循环。这里主要是使用心得损失函数来适配模型输出的图像结果

结果观察

图像分割的定义：在计算机视觉领域，图像分割（Object  Segmentation）指的是将数字图像细分为多个图像子区域的过程，并且同一个子区域内的特征具有一定相似性，不同子区域的特征呈现较为明显的差异。

图像分割的几种类型：

（1）语义分割  （2）实例分割 

U-Net模型介绍

UNet模型最常用、最简单的一种分割模型，它简单、高效、易懂，容易构建，且可以从小数据集中训练。UNet凭借其突出的分割效果而被广泛应用在语义分割的各个方向，如：卫星图像分割，工业瑕疵检测等。

U-Net模型图

U-Net模型介绍

U-Net模型的优点

问题与思考？